基于数据驱动的船舶故障诊断技术综述_周广群.pdf

第 31 卷 第 1 期2023 年 1 月Vol.31 No.1Jan.,2023船 舶 物 资 与 市 场 MARINE EQUIPMENT/MATERIALS&MARKETING0 引言我国内河运输投资不断增加，有资料表明 2019 年内河建设完成投资 614 亿元，全国内河航道通航里程达到了 12.73104 km1。随着我国内河航运的发展和进步，内河船舶制造向着大型化、智能化和高可靠性的方向发展，这对船舶的安全和稳定运行提出了越来越高的要求，特别是在极端恶劣天气下，外部环境呈现非线性和混沌性，船舶的故障率会呈现几何倍数的增长，一旦因船舶故障造成的事故，会造成极大的生命财产损失，对内河船舶的故障诊断研究具有重要的意义。随着超级计算机和多通道传感技术的进步，可以通过大量的传感器采集到船舶的子系统（如动力系统、推进系统等）的运行数据，挖掘和研究采集到的数据，进行分析与评价来预测和推断可能存在的安全隐患，保证船舶系统的安全稳定运行，这也是基于数据驱动的船舶故障诊断技术的研究内容。国内外学者对船舶的故障诊断进行了大量研究，其中，裴大茗等2介绍了船舶系统故障诊断、预测和健康管理的概念和特点，并对相关技术进行了详细综述。张海艳等3探讨了船舶电力系统故障诊断的研究方法，包括故障树、专家系统、神经网络等，并且分析了这些方法的优缺点。LIU L 等4提出了多源信息融合技术在船舶故障诊断中的运用。柯赟等5根据故障预测与健康管理的技术框架，提出以船舶柴油机为例的故障预测与健康管理系统的实现路线，剖析船舶柴油机故障预测与健基于数据驱动的船舶故障诊断技术综述周广群（济宁市港航事业发展中心，山东 济宁 272004）摘 要：基于数据驱动的船舶故障诊断技术是研究船舶安全运行的重要工具，介绍船舶故障诊断数据驱动技术的常用方法，包括故障诊断特征向量的提取技术、机器学习的故障诊断技术以及大数据的深度学习技术，分析船舶故障诊断技术的难度，并对船舶障诊断技术的未来发展趋势进行展望。关键词：船舶；故障诊断；数据驱动中图分类号：U672 文献标识码：A DOI:10.19727/ki.cbwzysc.2023.01.031引用格式 周广群.基于数据驱动的船舶故障诊断技术综述 J.船舶物资与市场,2023,31(1):96-99.收稿日期：2022-08-18 作者简介：周广群（1972-），男，硕士，高级工程师，研究方向为船舶检测。康管理技术所面临的挑战。此外，黄金娥等6-8也研究了船舶柴油机故障诊断技术，冯明等9-11对船舶推进系统和动力装置进行了故障诊断研究。随着计算能力的提升和深度学习等算法的日臻成熟，基于数据驱动的故障诊断技术对于复杂的船舶系统显得越发具有优势。本文在数据驱动概念的基础上，阐述了常用故障诊断的技术手段，在此基础上讨论船舶故障诊断的技术难点，并对未来的发展趋势进行展望。1 基于数据驱动的船舶故障诊断思路和方法基于数据驱动的船舶故障诊断方法如图 1 所示，主要思路和方法如下：1）通过多传感器获取船舶的状态参数数据，主要包括推进系统、动力系统、电力系统、控制系统等的传感数据；2）对得到的传感数据进行预处理，预处理包括归一化处理、噪声剔除等操作；3）在数据预处理的基础上，对船舶预处理后的数据量进行特征提取，针对不同的特征数据，采用匹配性较好的特征提取技术，在此分析主成分分析、小波分析、经验模态分解和变分模态分解等特征提取技术在船舶故障诊断中的运用；4）在状态数据的特征提取之后，进行故障识别和分析，确保故障诊断的效果，分析故障树模型、专家系统、机器学习及深度学习等故障诊断技术的性能特点，为了保证船舶多复杂系统故障诊断的实效性和精度，采用多第 1 期 97 传感数据数据预处理特征提取故障诊断决策制定故障树模型专家系统机器学习深 度学习等主成分分析小波分析经验模态分解变分模态分解等通过传感器图 1 基于数据驱动的船舶故障诊断方法融合诊断模型进行诊断预测，以诊断结果为依据对船舶的运行进行控制和修正，保证了船舶运行的安全可靠性。2 基于数据驱动的故障诊断技术总结基于数据驱动的船舶故障诊断技术，主要包括数据采集和处理技术、特征提取技术和故障诊断技术。2.1 数据采集和处理技术船舶信号数据采集的工作原理如图 2 所示。通过采集卡和传感器采集到船舶状态参数数据，经过微控制器总体控制，在通讯模块的作用下，经 I/O 模块完成数据的采集，在采集过程中，完成电源模块提供动力、编程模块输入频率等指令12。数据采集后，进行预处理操作，主要包括归一化处理和噪声剔除，归一化处理主要保证多传感器采集到数据的量纲统一，噪声剔除是剔除数据量中的干扰噪声信号。数据采集卡与地址选择微控制器电源模块编程调试接口模块通讯模块 数据输入模块数据输出模块图 2 船舶信号数据采集工作原理2.2 特征提取技术特征提取技术主要包括主成分分析法、小波分析法、经验模态分解法及变分模态分解法等。1）主成分分析法主成分分析法可以用较少数量的特征参数对样本进行描述，把原始数据变换为相互正交的向量，其中第一向量样本间自变量的差异最大，称为第一主成分，依次类推。刘胜等13成功地将主成分分析法运用到船舶动力装置冷凝器的故障特征提取过程中。2）小波分析法在傅里叶变换的基础上，多尺度分析工具小波变换能够细化分析问题的部分信息，从而对原信号进行多尺度细化分析，并且可用于分析非平稳信号14。鲍秀昌等15利用小波分析和小波包能量熵方法，在Matlab 仿真环境下，对船舶电力系统电网故障暂态信号进行了分析和特征信息提取。3）经验模态分解经验模态分解法的主要作用是将信号中不同尺度的波动进行分解，产生一系列不同特征尺度下的固有模态函数 IMF 数据序列。在船舶的故障诊断方面，周青16采用基于经验模态分解（EMD）的船舶动力系统振动信号分析方法进行船舶动力振动信号建模，在信号特征提取的基础上实现了船舶动力系统的故障分析。4）变分模态分解变分模态分解是一种频域内的优化问题，结合常见的维纳滤波、傅里叶变换等，对信号分析和处理。变分模态分解能够实现不同频率成分有效分离，可以有效避免经验模态分解中的模态混叠现象。在变分模态分解的运用方面，刘静等17介绍了一种基于变分模态分解算法的故障诊断算法，阐述该诊断方法的流程。该算法将机械故障信号分解问题转化为变分问题，对于提高诊断精度有一定的作用。另外，特征提取方法还包括峰值、峭度、方差、波峰系数及波形系数等参数分析法、包络谱分析法、倒频谱法等18。2.3 故障诊断技术1）故障树分析技术故障树分析方法最初由美国贝尔实验室在 1962 年提出，故障树分析方法能够形象地描述复杂系统的故障关系19。在分析过程中，采用倒“树”形结构，以出现的故障类型为出发点，从上到下逐层分解，逐层查找分析故障产生的原因，通过一定的符号将故障类型及每级故障的原因连接起来，形成因果关系分析图20。欧文武21在船舶机电系统可靠性评估中，通过建立周广群：基于数据驱动的船舶故障诊断技术综述船舶物资与市场第 31 卷 第 1 期 98 故障树评估模型对船舶机电系统进行可靠性评估。2）专家诊断系统技术基于专家系统的故障诊断分析方法是通过在归纳总结经验基础上的故障诊断方法，通过开发的基于经验知识的智能故障诊断程序，以此分析设备在生产过程中出现的综合性较高的故障问题22。在船舶专家系统诊断方面，程晓絮等23结合反向推理、模糊推理等方法，对船舶故障的具体诊断情况与解决方案进行分析，搭建专家系统框架，提高了船舶行使的安全系数。3）机器学习技术机器学习技术主要包括神经网络、支持向量机、极限学习机及随机森林等。其在船舶中的运行如表1所示。表 1 机器学习技术及在船舶中的运用相关技术研究内容神经网络结合电力系统的关键元件建模，开发了基于神经网络算法的船舶电力系统故障诊断方法24。支持向量机 采用支持向量机技术建立船舶电力推进故障诊断系统25。极限学习机采用寻优能力强搜索效率髙的粒子群优化极限学习机建立船舶变压器故障诊断模型26。随机森林等 提出基于随机森林的船舶柴油机故障诊断方法27。神经网络通过优化内部大量节点之间相互连接关系的权重而达到处理数据的目的。支持向量机通过优化支持向量损失函数而达到结构风险最小，可以用于故障的识别和分类。极限学习机是一类基于前馈神经网络构建的系统，适用于监督和非监督的故障识别问题。随机森林是一种故障分类器，含有多个决策树的故障分类器，其输出的类别是由个别树输出类别的众数而定。4）深度学习技术深度学习是神经网络的深化，与常用神经网络模型相比，深度学习网络是具有多个隐层的多层感知器网络。普通神经网络与深度神经网络如图 3 所示。图 3 普通神经网络与深度神经网络常用的深度网络模型有卷积神经网络、长短时间记忆网络、自编码器网络、深度信念网络等。深度学习在船舶故障诊断应用方面，宫文峰等28提出了一种改进的一维卷积神经网络的深度学习新算法用于船舶旋转机械的故障快速诊断。该方法首先引入一维度卷积神经网络处理多传感器数据融合问题，然后设计了一维全局均值池化层改进全连接层结构，减少了传统卷积神经网络的模型参数量和诊断时间。颉利东等29把卷积神经网络用于船载核动力反应堆管路故障诊断，提高了船载核动力故障诊断水平。黄金娥等30提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。用优化算法寻找深度置信网络的最佳参数，建立起船舶柴油机气缸故障诊断模型。3 船舶故障诊断的技术难点船舶系统复杂且运行环境多变，基于数据驱动的故障诊断技术难点多，主要总结如下：1）数据采集量大，传感器的部署和安装复杂，高速的数据传输是要攻克的技术难点；另外，数据噪声多且复杂多样化，采用合理的数据处理技术以得到有用的数据信息也是要研究的技术难点。2）寻找不同状态数据量适应性较好的特征提取方法，保证不同的状态数据量与对应的特征提取方法的良好匹配是研究的技术难点。3）船舶各子系统在不同的运行状态下，状态参数和工作性态会发生变化，其故障诊断模型也会不同。因此，需要研究故障诊断模型与工况的匹配更新适应能力，以保证故障诊断模型的准确度，另外开展多融合诊断模型研究也是复杂船舶系统安全运行的技术难点。4）在船舶故障模型的试验验证评价方面，目前大部分船舶的故障诊断还处于理论研究阶段，且复杂船舶系统价格昂贵，如何实现船舶系统的故障诊断试验验证也是工程中要考虑的技术难点。4 船舶故障诊断技术展望随着船舶制造技术的进步，未来船舶故障诊断的发展方向为智能化、网络化以及多学科融合技术的运行。结合云计算技术和 5G 技术，进行多学科的融合智能诊断研究是未来的发展趋势。具体表现为在线实时诊断和控制，大数据结合深度学习网络模型不断提高诊断的精度，5G 等高速通信技术结合多 GPU 超计算能力不断提高诊断效率。单一的数据采集传感器参数在复杂船舶的故障诊断和预测方面具有一定的局限性。所以，应该发展多种类传感器、多类型数据的融合处理研究，保证不同种类的数据与故障诊断模型的融合匹配，提高船舶故障诊断模型的精度和适应性。第 1 期 99 周广群：基于数据驱动的船舶故障诊断技术综述5 结语结合船舶对故障诊断的现实需求，对船舶故障诊断的内涵和现状进行阐述，重点分析基于数据驱动的船舶故障诊断思路和方法，对船舶故障诊断技术进行综述，展望了目前船舶故障诊断面临的技术挑战和未来的发展方向。参考文献：1 叶子阳,陈沿伊,张培林,等.基于数据驱动贝叶斯网络的内河船舶交通事故分析 J.安全与环境工程,2022,29(1):47-57.2 裴大茗,王建峰,周鹏太,等.船舶 PHM 技术综述 J.电子测量与仪器学报,2016,30(9):1289-1297.3 张海艳,夏飞.舰船电力系统故障诊断综述 J.舰船科学技术,2010,32(4):134-137.4LIUL,LI XQ.Study on fault diagnosis of ship power system based on muti-source information fusion technologyJ.Applied Mechanics and M